OCR,即光学字符识别,能读出页面图像中的文字,把它变成电脑可以搜索的文本。扫描版 PDF 只是一些图片,无法搜索,也不能选中句子或复制数字。做过 OCR 之后就可以了。本工具在浏览器中完成识别,不限页数,文档从不上传。
让扫描版 PDF 可以搜索
结果看起来和您的扫描件完全一样,因为原页面都保留着。在图像下面,一层隐形的识别文字放在每个词出现的位置,所以搜索会高亮正确的地方,选中文字时也能选到您看到的词。要判断 PDF 是否已经有文字,试着选中一行:选不中就需要 OCR。
选择 OCR 语言
识别需要知道会出现哪种文字和词语,所以请选择文档中出现的每一种语言,例如双语表格就选英语和西班牙语。可选 100 多种语言,包括中文、日语、韩语、阿拉伯语、希伯来语和印地语。每种语言只需下载一次,通常几 MB,之后由浏览器保存;开始前会显示大小。选择文档中没有的语言会让识别更慢、更不准确。
影响 OCR 准确度的因素
对于 300 dpi、干净端正的印刷文字扫描件,几乎每个词都能正确识别。手机拍的模糊照片、低分辨率、歪斜或卷曲的页面、印刷很淡、彩色背景、特殊字体和线条密集的表格都会降低准确度。手写字基本无法识别。在高级设置中提高分辨率有助于识别小字,但需要更多时间。您要用到的姓名和数字,请务必核对。
工作原理
每一页都在您的浏览器中绘制成图像,由运行在您设备上的开源 OCR 引擎 Tesseract 读取。识别出的文字及其位置作为隐形文字层写入 PDF 副本,同时汇总到文本文件中。笔记本电脑处理一页只需几秒;手机会慢一些。长文档需要更长时间,但没有限制,开始前的预计时间会告诉您大概要多久。
常见用途,以及不适用的情况
扫描的合同和信件、旧书和论文、记账用的收据和发票、学校讲义、档案馆的记录,以及以后想在电脑上搜索的任何资料。
- 不会重建排版。可搜索的 PDF 保留原样;文本文件是纯文本。要编辑文档,之后请用PDF 转 Word。
- 手写字基本无法识别。
- 已有文字的 PDF不需要 OCR;要获取其中的文字,请用PDF 转文字。
- 在手机上处理长任务时,请保持屏幕亮着、标签页开着,否则浏览器会暂停任务。